CN111562096B - 一种自动扶梯的健康状态实时在线监控*** - Google Patents
一种自动扶梯的健康状态实时在线监控*** Download PDFInfo
- Publication number
- CN111562096B CN111562096B CN202010409436.1A CN202010409436A CN111562096B CN 111562096 B CN111562096 B CN 111562096B CN 202010409436 A CN202010409436 A CN 202010409436A CN 111562096 B CN111562096 B CN 111562096B
- Authority
- CN
- China
- Prior art keywords
- escalator
- fault
- data
- real
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B27/00—Indicating operating conditions of escalators or moving walkways
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种自动扶梯的健康状态实时在线监控***,其通过车站级***服务器、移动终端组成的***,车站级***服务器为自动扶梯运营人员服务,可实现值班指挥人员对自动扶梯的集中监测,实现自动扶梯所需监测数据的采集、处理、存储,移动终端为现场检维修人员的检维修工作需求,可与车站级***相连,与车站级***实现交互,如维保通知、急修派单,故障预警等等,便于统一管理,其用于轨道交通车站自动扶梯运行状态和关键零部件24小时的监控,通过高速微处理器采集自动扶梯数据、报警等信号,解决仅监测运行状态、故障后报警、各类自动扶梯监测包容、误报漏报率高等问题,实现自动扶梯故障预警和维保管理。
Description
技术领域
本发明属于地下基础设施综合监测技术领域,具体涉及一种自动扶梯的健康状态实时在线监控***。
背景技术
自动扶梯作为现代人生活中不可或缺的“交通工具”,在轨道交通大量发展的今天,其应用日益广泛和普及。如何提高维护保养、售后服务的技术和管理水平、预防因自动扶梯故障而造成的重大安全事故,已成为运营单位、维保单位和制造企业急需解决的问题。2017年末,我国共56个城市建设轨道交通,开通165条,在建254条,每条线约有200至300台自动扶梯,其运动部件裸露在外,直接影响人的生命财产安全,作为特种设备和车站运载乘客的关键装备,其安全可靠的运行十分重要。
国外自动扶梯安全保障相关的***起步较早,主要是自动扶梯监控***。比如日本在1999年末就实现了全国自动扶梯集中监控网络,为国民乘坐自动扶梯安全性提供了有力保障。另外,欧美一些发达国家都分别与自动扶梯生产商或供应商达成一致,所有供应的自动扶梯提供统一的接口,接受第三方接入监督,但这些监测主要停留于自动扶梯运行状态(上行、下行、故障停梯、左、右扶手带异常,上、下盖板异常开启等)的监测,设备故障报警后进行停梯,然后由有资质的人员进行维保。
较大型的自动扶梯生产厂家都在发展自身的监控***,如:美国奥的斯公司的REMS监控***、德国蒂森克虏伯电梯集团的TE-B型电梯监控***以及日本的三菱公司的AI-2200电梯群控***等。其目的是方便自己的维保部门能更好的掌握设备的状态和及时处理故障,仅能为自己品牌的电梯提供监控功能和故障诊断,且其监控成本高,价格昂贵。此外,每家电梯公司有其自己的设计思路和控制***,***封闭,无法实现不同品牌之间的兼容,监控数据更不可能实现资源共享。
国内轨道交通领域,部分城市已开展自动扶梯智能监测的探索研究,主要依靠采集自动扶梯电机、减速箱、轴承、扶手带等核心部件的振动、温度、电流等状态参数,通过后台设定的报警阈值进行状态判定。从目前使用情况来看,主要是误报和漏报率较高,***实用性有待进一步验证。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种自动扶梯的健康状态实时在线监控***,其通过用于指导自动扶梯故障预测与健康管理诊断与智能分析监控平台的设计和实施,可解决仅监测运行状态、故障后报警、各类自动扶梯监测包容、误报漏报率高等问题,实现自动扶梯故障预警和维保管理。
为实现上述目的,按照本发明的一个方面,提供了一种自动扶梯的健康状态实时在线监控***,该***包括待监控自动扶梯、采集单元、数据处理服务器和移动终端设备,采集单元连接数据处理服务器,数据处理服务器连接移动终端设备,
采集单元包括多个传感器和数据采集器,多个传感器用于连接待监控自动扶梯的零部件,多个传感器用于采集待监控自动扶梯的实时监测数据传送给数据采集器,实时监测数据包括多个零部件的多个维度监测数据,数据采集器用于将所述实时监测数据进行模数转换后传送给数据处理服务器;
数据处理服务器用于获取待监测自动扶梯的实时监测数据,利用机器学习算法进行故障类型定位、故障修复方案和实时健康状态数据,并将故障类型定位、故障修复方案和实时健康状态数据反馈给移动终端设备;
移动终端设备用于依据故障类型定位和故障修复方案进行故障修复。
作为本发明的进一步改进,数据采集器还用于接收来自待监测自动扶梯的自有报警器的故障报警数据,数据采集器与自有报警器之间通过工业通讯方式电连接。
作为本发明的进一步改进,采集单元和所述数据处理服务器之间通过局域网或移动网络连接,数据处理服务器和所述移动终端设备通过移动网络连接。
作为本发明的进一步改进,利用机器学习算法进行故障类型定位、故障修复方案和实时健康状态数据具体为:
获取自动扶梯的长时监测样本数据,长时监测样本数据包括多个零部件的多个维度监测数据,依据自动扶梯故障类型标记长时监测样本数据;
构建深度迭代的神经网络学习模型,深度迭代的神经网络学习模型包括第一神经网络学习模型和第二神经网络学习模型,第一神经网络用于获取各个零部件故障类型的故障发生概率值,第二神经网络用于获取自动扶梯的实时健康状态值;利用标记后的长时监测样本数据对第一神经网络学习模型和第二神经网络学习模型进行机器学习,得到训练好的第一神经网络学习模型和第二神经网络学习模型;
获取待监测自动扶梯的实时监测数据,利用训练好的第一神经网络学习模型获取当前待监测自动扶梯的各个零部件故障类型的故障发生概率值,并依据各个故障类型的故障发生概率值对待监测自动扶梯进行实时故障判断,依据故障判断结果进行故障类型定位及故障修复方案;利用训练好的第二神经网络学习模获取自动扶梯实时健康状态值,依据自动扶梯实时健康状态值获取自动扶梯的实时健康状态。
作为本发明的进一步改进,第一神经网络学习模型包括零部件故障指标权重参数集合和各个零部件故障发生概率值计算方式,还包括与各个零部件故障类型的故障发生概率值一一对应的正常数值范围、健康状态阈值和故障阈值,利用所述正常数值范围判断零部件参数的工作状态,所述工作状态包括正常状态、非健康状态和故障状态。
作为本发明的进一步改进,第二神经网络获取自动扶梯的实时健康状态值具体为:
获取待监测设备的最小故障模式,建立零部件的参数数据状态、零部件故障类型和设备的故障类型三者之间的映射关系,以形成模糊故障树模型;
利用各个零部件故障发生概率值的阈值和模糊故障树模型获取自动扶梯实时健康状态值。
作为本发明的进一步改进,最小故障模式包括固定螺栓松动、轴承故障、制动距离趋势故障、溜梯距离故障、梯级故障、扶手带温度故障、转子故障、电机功耗故障、齿轮故障和轴承故障。
作为本发明的进一步改进,利用自动扶梯的新增故障数据作为新的样本数据,对深度迭代的神经网络学习模型进行迭代训练。
作为本发明的进一步改进,多个传感器包括加速度传感器、噪音传感器、位移传感器和温度传感器,多个维度监测数据包括振动监测数据、噪音监测数据、位移监测数据、温度监测数据和电流监测数据。
作为本发明的进一步改进,自动扶梯的零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、扶手带、减速器、电机和梯级。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明的一种自动扶梯的健康状态实时在线监控***,其通过车站级***服务器、移动终端组成的***,车站级***服务器为自动扶梯运营人员服务,可实现值班指挥人员对自动扶梯的集中监测,实现自动扶梯所需监测数据的采集、处理、存储,移动终端为现场检维修人员的检维修工作需求,可与车站级***相连,与车站级***实现交互,如维保通知、急修派单,故障预警等等,便于统一管理,其用于轨道交通车站自动扶梯运行状态和关键零部件24小时的监控,通过高速微处理器采集自动扶梯数据、报警等信号,由GPRS或者有线网络转发到服务器,并依托服务器强大的后台分析软件对信号进行处理,一旦自动扶梯故障将第一时间发送报警信息,为管理部门提供科学、客观的数据,并建立流程化的维保急修工作体系,从而真正保障自动扶梯的安全运行。
本发明的一种自动扶梯的健康状态实时在线监控***,其在自动扶梯实时运行数据的基础上,建立多维时空大数据处理模型,利用信息融合技术对多源数据进行分析,实现故障的预判、预警,达到预防性维修的目的。在Hadoop分布式数据***的基础上,构建分析算法及模型环境。首先通过多种采样分析算法对采样数据进行预处理,在此基础上采用相关分析算法对不同的故障模型进行比对分析。
本发明的一种自动扶梯的健康状态实时在线监控***,其将数据通过主干网络上传至给车站级***中的服务器,车站级***中的服务器将采集到的数据进行智能分析、诊断校验和智能决策,对数据进行应用和存储。
附图说明
图1为本发明实施例的一种自动扶梯的健康状态实时在线监控***的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1为本发明实施例的一种自动扶梯的健康状态实时在线监控***的示意图。如图1所示,一种自动扶梯的健康状态实时在线监控***,该***包括待监控自动扶梯、采集单元、数据处理服务器和移动终端设备,采集单元连接数据处理服务器,数据处理服务器连接移动终端设备,
采集单元包括多个传感器和数据采集器,多个传感器用于连接待监控自动扶梯的零部件,多个传感器用于采集待监控自动扶梯的实时监测数据传送给数据采集器,实时监测数据包括多个零部件的多个维度监测数据,数据采集器用于将所述实时监测数据进行模数转换后传送给数据处理服务器;
数据处理服务器用于获取待监测自动扶梯的实时监测数据,利用机器学习算法进行故障类型定位、故障修复方案和实时健康状态数据,并将故障类型定位、故障修复方案和实时健康状态数据反馈给移动终端设备;
移动终端设备用于依据故障类型定位和故障修复方案进行故障修复。
作为一个优选的实施例,数据采集器还用于接收来自待监测自动扶梯的自有报警器的故障报警数据,数据采集器与自有报警器之间通过工业通讯方式电连接。采集单元和所述数据处理服务器之间通过局域网或移动网络连接,数据处理服务器和所述移动终端设备通过移动网络连接。作为一个示例,***采用B/S结构、TCP/IP协议,数据处理服务器主要为数据的采集、分析和维修保养、故障预警分析、备品备件管理等业务处理,配置能自动切换的冗余的服务器,完成车站级***数据采集和处理工作,每个服务器可通过以太网接口及光纤与中心以太网交换机连接。服务器主用和备用同时工作,当一台服务器故障时,可立即切换至备用服务器,提供机电设备故障监测与智能诊断工作站2台,通过工作站可以实时监测机电设备的运行状态图谱,并具有智能诊断功能。每台工作站设置一台高分辨率的不大于27寸液晶触控显示屏。工作站设置在弱电通信机房或监控中心,服务器完成车站级***所有的指令、程序的运行;数据处理服务器可以在在有主干网络的综合监控设备室,并设置一台二层交换机,用于连接主干网、服务器、局域层等设备,局域层可以配置一台二层交换机,主要连接各数据采集器、服务器,形成车站级***局域层。数据处理服务器可以是冗余、开放、可靠、易扩展的计算机***。车站自动扶梯的振动传感器数据、温度传感器数据直接传输至数据采集器,自动扶梯自有的故障报警数据可以通过工业通讯方式(MODBUS485)传输给数据采集器,也可以通过传感器来直接采集并传输给数据采集器。各机电设备的数据采集器通过局域网或移动4G网络将数据传输至故障诊断服务器。数据采集器完成数据采集功能,将过程原始数据及状态存入故障诊断服务器,过程原始数据及状态取自状态检测仪表,具体的,每台自动扶梯配置一个数据采集器。每个数据采集器配置一个挂式数据采集箱,并放置在自动扶梯控制柜边上。车站配置一定数量的移动终端,用于维保人员进行维保巡检工作,将相应的维修保养及巡检记录上传至车站级***进行保存,并可以在终端设备上查看维保、急修派单情况,设备运行状态数据、报警信息,设备状态统计信息及维保、急修情况反馈等。
作为一个优选的实施例,利用机器学习算法进行故障类型定位、故障修复方案和实时健康状态数据具体为:
获取自动扶梯的长时监测样本数据,长时监测样本数据包括多个零部件的多个维度监测数据,依据自动扶梯故障类型标记长时监测样本数据;
构建深度迭代的神经网络学习模型,深度迭代的神经网络学习模型包括第一神经网络学习模型和第二神经网络学习模型,第一神经网络用于获取各个零部件故障类型的故障发生概率值,第二神经网络用于获取自动扶梯的实时健康状态值;利用标记后的长时监测样本数据对第一神经网络学习模型和第二神经网络学习模型进行机器学习,得到训练好的第一神经网络学习模型和第二神经网络学习模型;
获取待监测自动扶梯的实时监测数据,利用训练好的第一神经网络学习模型获取当前待监测自动扶梯的各个零部件故障类型的故障发生概率值,并依据各个故障类型的故障发生概率值对待监测自动扶梯进行实时故障判断,依据故障判断结果进行故障类型定位及故障修复方案;利用训练好的第二神经网络学习模获取自动扶梯实时健康状态值,依据自动扶梯实时健康状态值获取自动扶梯的实时健康状态。
作为一个示例,可利用自动扶梯数据AI分析***,在自动扶梯实时运行数据的基础上,建立多维时空大数据处理模型,利用信息融合技术对多源数据进行分析,实现故障的预判、预警,达到预防性维修的目的。通过对故障数据的积累,采用科学合理的算法进行数据分析,分析影响各故障类型的多个因素,形成自动扶梯的主要关键部件的故障特征模型库,并通过机器学***台架构,为采集到的多源数据提供存储备份服务,***的文件和数据的存储和备份由该模块统一管理。部署于数据服务中心的存储备份服务器。包括故障模型库管理、数据的接收、清洗、储存、标注等功能。在Hadoop分布式数据***的基础上,构建分析算法及模型环境。首先通过多种采样分析算法对采样数据进行预处理,在此基础上采用相关分析算法对不同的故障模型进行比对分析。通过对自动扶梯数据的持续分析,采用深度学习的方式不断完善故障模型库,并对故障模型进行优化及补充。
作为一个优选的实施例,第一神经网络学习模型包括零部件故障指标权重参数集合和各个零部件故障发生概率值计算方式,还包括与各个零部件故障类型的故障发生概率值一一对应的正常数值范围、健康状态阈值和故障阈值,利用所述正常数值范围判断零部件参数的工作状态,所述工作状态包括正常状态、非健康状态和故障状态。
作为一个优选的实施例,第二神经网络获取自动扶梯的实时健康状态值具体为:
获取待监测设备的最小故障模式,建立零部件的参数数据状态、零部件故障类型和设备的故障类型三者之间的映射关系,以形成模糊故障树模型;
利用各个零部件故障发生概率值的阈值和模糊故障树模型获取自动扶梯实时健康状态值。
其中,最小故障模式包括固定螺栓松动、轴承故障、制动距离趋势故障、溜梯距离故障、梯级故障、扶手带温度故障、转子故障、电机功耗故障、齿轮故障和轴承故障。
作为一个示例,表1本发明实施例的故障类型的分析结果的示意表,如表1所示,可以以自动扶梯所在的环境信息(时间节点、温湿度、位置信息、客流量、运行参数)为监测降噪参考值,通过振动、噪音、温度、状态的多维度监测参数为输入,通过深度学习迭代更新强化的知识库,进行数据模型的临近分析和对比,得出多源数据分析后的健康评价以及故障定位,实现自动扶梯的状态识别。
表1本发明实施例的故障类型的分析结果的示意表
作为本发明的一个优选的实施例,利用自动扶梯的新增故障数据作为新的样本数据,对深度迭代的神经网络学习模型进行迭代训练。
作为本发明的一个优选的实施例多个传感器包括加速度传感器、噪音传感器、位移传感器和温度传感器,多个维度监测数据包括振动监测数据、噪音监测数据、位移监测数据、温度监测数据和电流监测数据。作为一个示例,自动扶梯的机械部件多处于上部机舱内,主要的驱动负荷运动部件为电动机、减速器、主驱动轮、主驱动链等。这些部件是自动扶梯运行中驱动负荷量较大的核心部件,故障后影响运营和乘客安全。在线监测***除对故障类型可以进行分析外,还可以通过设备运行振动频率的变化,分析部件的故障趋势,提出故障预警,可以使维修部门有效的安排维修时间和周期。在电动机、提升装置安装加速度振动传感器,在现场安装数据采集器进行信号转换和网络传输,供***进行故障分析和状态监测。传感器布置于驱动主机、翻转主轴、主驱动链等,用于监测这些设备的振动、温度、噪声、张紧情况,表2和表3分别为本发明实施例的单驱和双驱自动扶梯的传感器布置的示意表,自动扶梯子单元内的数据采集器将采集到的传感器信号进行A/D转换,将数据通过主干网络上传至给服务器,服务器将采集到的数据进行智能分析、诊断校验和智能决策,对数据进行应用和存储。从自动扶梯驱动电机、自动扶梯安全回路等处将传感器信号引至故障诊断***数采器中,数据采器将采集的数据信号调理、采集后并传输到后台服务器中,通过专用故障诊断软件分析诊断。维护人员可调用现场服务器的机组状态数据,查看自动扶梯运行信息并可进行故障分析、诊断等。
表2本发明实施例的单驱自动扶梯的传感器布置的示意表
表3本发明实施例的双驱自动扶梯的传感器布置的示意表
作为一个优选的实施例,自动扶梯的零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、扶手带、减速器、电机和梯级。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种自动扶梯的健康状态实时在线监控***,其特征在于,该***包括待监控自动扶梯、采集单元、数据处理服务器和移动终端设备,所述采集单元连接所述数据处理服务器,所述数据处理服务器连接所述移动终端设备,
所述采集单元包括多个传感器和数据采集器,所述多个传感器用于连接待监控自动扶梯的零部件,所述多个传感器用于采集待监控自动扶梯的实时监测数据传送给数据采集器,所述实时监测数据包括多个零部件的多个维度监测数据,所述数据采集器用于将所述实时监测数据进行模数转换后传送给数据处理服务器;
所述数据处理服务器用于获取待监测自动扶梯的实时监测数据,利用机器学习算法进行故障类型定位、故障修复方案和实时健康状态数据,并将故障类型定位、故障修复方案和实时健康状态数据反馈给所述移动终端设备;步骤包括:
获取自动扶梯的长时监测样本数据,所述长时监测样本数据包括多个零部件的多个维度监测数据,依据自动扶梯故障类型标记长时监测样本数据;
构建深度迭代的神经网络学习模型,所述深度迭代的神经网络学习模型包括第一神经网络学习模型和第二神经网络学习模型,所述第一神经网络用于获取各个零部件故障类型的故障发生概率值,所述第二神经网络用于获取待监测设备的最小故障模式,建立零部件的参数数据状态、零部件故障类型和设备的故障类型三者之间的映射关系,以形成模糊故障树模型;利用所述各个零部件故障发生概率值的阈值和模糊故障树模型获取自动扶梯实时健康状态值;利用标记后的长时监测样本数据对第一神经网络学习模型和第二神经网络学习模型进行机器学习,得到训练好的第一神经网络学习模型和第二神经网络学习模型;
获取待监测自动扶梯的实时监测数据,利用训练好的第一神经网络学习模型获取当前待监测自动扶梯的各个零部件故障类型的故障发生概率值,并依据各个故障类型的故障发生概率值对待监测自动扶梯进行实时故障判断,依据故障判断结果进行故障类型定位及故障修复方案;利用训练好的第二神经网络学习模获取自动扶梯实时健康状态值,依据自动扶梯实时健康状态值获取自动扶梯的实时健康状态;
所述移动终端设备用于依据故障类型定位和故障修复方案进行故障修复。
2.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述数据采集器还用于接收来自待监测自动扶梯的自有报警器的故障报警数据,所述数据采集器与所述自有报警器之间通过工业通讯方式电连接。
3.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述采集单元和所述数据处理服务器之间通过局域网或移动网络连接,所述数据处理服务器和所述移动终端设备通过移动网络连接。
4.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述第一神经网络学习模型包括零部件故障指标权重参数集合和各个零部件故障发生概率值计算方式,还包括与各个零部件故障类型的故障发生概率值一一对应的正常数值范围、健康状态阈值和故障阈值,利用所述正常数值范围判断零部件参数的工作状态,所述工作状态包括正常状态、非健康状态和故障状态。
5.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述最小故障模式包括固定螺栓松动、轴承故障、制动距离趋势故障、溜梯距离故障、梯级故障、扶手带温度故障、转子故障、电机功耗故障、齿轮故障和轴承故障。
6.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,利用自动扶梯的新增故障数据作为新的样本数据,对所述深度迭代的神经网络学习模型进行迭代训练。
7.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述多个传感器包括加速度传感器、噪音传感器、位移传感器和温度传感器,所述多个维度监测数据包括振动监测数据、噪音监测数据、位移监测数据、温度监测数据和电流监测数据。
8.根据权利要求1所述的一种自动扶梯的健康状态实时在线监控***,其特征在于,所述自动扶梯的零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、扶手带、减速器、电机和梯级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409436.1A CN111562096B (zh) | 2020-05-14 | 2020-05-14 | 一种自动扶梯的健康状态实时在线监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409436.1A CN111562096B (zh) | 2020-05-14 | 2020-05-14 | 一种自动扶梯的健康状态实时在线监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562096A CN111562096A (zh) | 2020-08-21 |
CN111562096B true CN111562096B (zh) | 2022-07-19 |
Family
ID=72072121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409436.1A Active CN111562096B (zh) | 2020-05-14 | 2020-05-14 | 一种自动扶梯的健康状态实时在线监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562096B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023109690A1 (de) | 2023-04-18 | 2024-05-29 | TÜV Nord Systems GmbH & Co. KG | Überprüfung von Aufzugsanlagen auf der Grundlage akustischer Messungen |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561280B (zh) * | 2020-12-09 | 2023-04-18 | 中铁第四勘察设计院集团有限公司 | 基于自学习收敛故障知识库的设备故障预测方法及其应用 |
CN112559488A (zh) * | 2020-12-09 | 2021-03-26 | 中铁第四勘察设计院集团有限公司 | 一种基于数据中台的自动扶梯全生命周期数据管理方法及*** |
CN112390127B (zh) * | 2020-12-12 | 2022-12-23 | 中铁第四勘察设计院集团有限公司 | 基于健康度模型的自动扶梯预防性维修策略生成方法 |
CN112607570A (zh) * | 2020-12-12 | 2021-04-06 | 南京地铁建设有限责任公司 | 一种适用于自动扶梯的多维传感数据感知*** |
CN113695983A (zh) * | 2021-01-23 | 2021-11-26 | 深圳市玄羽科技有限公司 | 一种基于大数据的数控自动化设备故障检测*** |
CN112978531A (zh) * | 2021-02-07 | 2021-06-18 | 猫岐智能科技(上海)有限公司 | 电梯运行评估*** |
CN112905672A (zh) * | 2021-04-14 | 2021-06-04 | 江苏普瑞尔特控制工程有限公司 | 故障诊断专家分析*** |
CN116067432B (zh) * | 2023-03-06 | 2023-06-09 | 南京市特种设备安全监督检验研究院 | 一种自动扶梯变工况故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104355218A (zh) * | 2014-10-30 | 2015-02-18 | 浙江海康科技有限公司 | 一种自动扶梯的物联监控*** |
CN108763161A (zh) * | 2018-05-31 | 2018-11-06 | 哈尔滨工业大学 | 一种基于多层次指标体系的电梯安全等级评价方法 |
CN109573772A (zh) * | 2019-01-11 | 2019-04-05 | 南京理工大学 | 一种通用电梯健康度评估*** |
CN110937489A (zh) * | 2019-11-15 | 2020-03-31 | 广东寰球智能科技有限公司 | 自动扶梯的在线故障监控预警方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10355335B4 (de) * | 2003-11-27 | 2018-01-25 | Robert Bosch Gmbh | Verfahren zum Betreiben einer Brennkraftmaschine |
US8788097B2 (en) * | 2009-06-22 | 2014-07-22 | Johnson Controls Technology Company | Systems and methods for using rule-based fault detection in a building management system |
CN104808585B (zh) * | 2015-04-13 | 2016-09-07 | 华中科技大学 | 一种机床健康状态快速检查方法 |
CN106241584A (zh) * | 2016-08-23 | 2016-12-21 | 西尼电梯(杭州)有限公司 | 一种基于扶梯安全的智能视频监控***及方法 |
CN106586796B (zh) * | 2016-11-15 | 2018-09-14 | 王蕊 | 一种自动扶梯状态监测***及方法 |
CN108564313A (zh) * | 2018-06-14 | 2018-09-21 | 华北水利水电大学 | 基于故障树的风电机组状态监测与健康评估的方法及装置 |
CN111650919B (zh) * | 2020-05-14 | 2021-09-14 | 中铁第四勘察设计院集团有限公司 | 多维度监测的自动扶梯故障预测与健康管理方法及*** |
-
2020
- 2020-05-14 CN CN202010409436.1A patent/CN111562096B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104355218A (zh) * | 2014-10-30 | 2015-02-18 | 浙江海康科技有限公司 | 一种自动扶梯的物联监控*** |
CN108763161A (zh) * | 2018-05-31 | 2018-11-06 | 哈尔滨工业大学 | 一种基于多层次指标体系的电梯安全等级评价方法 |
CN109573772A (zh) * | 2019-01-11 | 2019-04-05 | 南京理工大学 | 一种通用电梯健康度评估*** |
CN110937489A (zh) * | 2019-11-15 | 2020-03-31 | 广东寰球智能科技有限公司 | 自动扶梯的在线故障监控预警方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023109690A1 (de) | 2023-04-18 | 2024-05-29 | TÜV Nord Systems GmbH & Co. KG | Überprüfung von Aufzugsanlagen auf der Grundlage akustischer Messungen |
Also Published As
Publication number | Publication date |
---|---|
CN111562096A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562096B (zh) | 一种自动扶梯的健康状态实时在线监控*** | |
CN105045256B (zh) | 基于数据对比分析的轨道交通实时故障诊断方法和*** | |
CN111650919B (zh) | 多维度监测的自动扶梯故障预测与健康管理方法及*** | |
CN204280939U (zh) | 一种电梯运行监测预警*** | |
CN111650918A (zh) | 一种垂直电梯全寿命周期运行安全监测*** | |
EP3515012A1 (en) | Door controller with integrated data collection and transmission device and transmission processing method thereof | |
CN104555627A (zh) | 电梯物联网运营控制管理***及其运营管理方法 | |
CN103010885A (zh) | 工程升降机远程定位监控*** | |
CN107219837A (zh) | 一种用于地铁屏蔽门故障监控与预警智能*** | |
CN111026094A (zh) | 一种站台门***的故障诊断与远程维护方法和*** | |
CN210380934U (zh) | 一种城市轨道交通车辆电气牵引***的健康管理*** | |
CN114120472A (zh) | 一种自动驾驶车辆安全管理*** | |
KR100564362B1 (ko) | 도시철도차량 유지보수 정보화 예방정비 분석을 이용한예방 정비 시스템 및 방법 | |
CN113581962A (zh) | 一种电梯厅门的故障监控*** | |
CN212315239U (zh) | 一种用于电梯的全寿命运行安全监测*** | |
CN211741892U (zh) | 一种用于自动扶梯的多维度状态在线监测*** | |
CN113650648B (zh) | 一种跨座式单轨道岔的运行监控及维护*** | |
CN112948457B (zh) | 客运索道检测监测与健康诊断***、方法、介质、设备 | |
Gubanov et al. | Architecture of a system for diagnosing and predicting the technical condition of a robotic vehicle | |
CN111711678A (zh) | 基于物联网技术的大型移动式设备状态监测***及方法 | |
CN110426987A (zh) | 电机车智能计量交通*** | |
CN112948457A (zh) | 客运索道检测监测与健康诊断***、方法、介质、设备 | |
CN221039855U (zh) | 一种动车组检修作业卡控*** | |
WO2024119357A1 (zh) | 一种城市电梯运维管控一体化*** | |
CN215615717U (zh) | 一种钢轨闪光焊接装备状态监测及健康管理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |